/ Модель

Характеристики

Лицензия
MIT
Базовая модель
GLM-4.7-Flash
Библиотека
gguf
Опубликована
11 июн 2026

GLM-4.7-Flash-MXFP4-MOE-GGUF

Генерация текстаТекст → текст15 профессий

Квантизированная в MXFP4 версия GLM-4.7-Flash для локальной генерации текста, диалогов, рассуждений и кода.

82скачиваний за 30 дней1лайквеса обновлены11 июн 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Тесты пользователейпока нет

Никто ещё не опубликовал тест этой модели. Соберите бенчмарк из своих задач — результат появится здесь.

  1. Добавьте модель в бенчмарк

    Вместе с другими моделями категории «Текст» — сравнение идёт внутри одной категории.

  2. Опишите свои задачи

    Напишите запросы, при необходимости приложите файлы и эталонные ответы.

  3. Запустите и опубликуйте

    Модели ответят на каждую задачу, судья оценит ответы. Опубликованный результат появится на этой странице.

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

GLM-4.7-Flash-MXFP4-MOE-GGUF — квантизированная версия языковой модели GLM-4.7-Flash от Zhipu AI, опубликованная в формате GGUF. Это модель Mixture-of-Experts на архитектуре DeepSeek2 с Multi-head Latent Attention: около 30 млрд параметров всего, из которых примерно 3,2 млрд активируются на токен; используются 64 маршрутизируемых эксперта и один общий. В README указан контекст до 200 000 токенов.

Модель предназначена для генерации текста и диалогов, включая рассуждения и программирование. Она поддерживает английский и китайский языки; режим рассуждений включён по умолчанию. В квантизации MXFP4 веса экспертов представлены в 4-битном формате, а остальные тензоры — в Q8_0; файл весов занимает 15,8 ГБ. README указывает на запуск через llama.cpp на GPU или CPU.

Квантизация рассчитана на более эффективный вывод при небольшом снижении качества относительно исходной модели. Репозиторий распространяется по лицензии MIT.

Сценарии применения

  • ведение диалогов с локально запущенной моделью
  • генерация и продолжение текстов на английском и китайском
  • пошаговое решение задач и рассуждения
  • написание и объяснение программного кода
  • запуск MoE-модели в формате GGUF через llama.cpp

Ограничения

Квантизация может немного снизить качество по сравнению с исходной моделью. Модель принимает текст и не имеет визуального энкодера.

Для каких профессий подходит15

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

GLM-4.7-Flash-MXFP4 MOE-GGUF

GGUF quantization of zai-org/GLM-4.7-Flash — a 30B-parameter Mixture-of-Experts language model with ~3.2B active parameters per token, built on the DeepSeek2 architecture with Multi-head Latent Attention (MLA) and 64 routed experts.

Quantized to MXFP4 MOE format for efficient inference with minimal quality loss.

About MXFP4 MOE

MXFP4 (Microscaling FP4, E2M1) is an open standard 4-bit format under the OCP Microscaling Formats (MX) specification. In MXFP4_MOE mode, expert weights are stored in MXFP4 while non-expert tensors (attention, embeddings, norms) remain at Q8_0, balancing quality and compression for Mixture-of-Experts models. Works on any GPU or CPU without hardware-specific acceleration.

Files

FilenameTypeSizeDescription
glm-4.7-flash-mxfp4_moe.ggufGGUF (MXFP4 MOE)15.8 GBQuantized model weights
README.mdMarkdown-Model card

Quantization Details

PropertyValue
FormatMXFP4 MOE
Bits Per Weight4.53 BPW
File Size15.8 GB
Tensor Count844
ArchitectureDeepSeek2 (custom for GLM-4.7-Flash)

Model Description

  • Developer: Zhipu AI
  • Architecture: Mixture-of-Experts (MoE) with DeepSeek2-style MLA
  • Parameters: ~30B total, ~3.2B active per token
  • Context Length: 200,000 tokens
  • Layers: 47 transformer layers
  • Attention: Multi-head Latent Attention (q_lora_rank=768, kv_lora_rank=512)
  • Experts: 64 routed experts (4 per token) + 1 shared expert
  • Vocab Size: 151,936
  • Languages: English, Chinese
  • Thinking: Enabled by default (native <think>/</think> tokens, hidden in history for clean multi-turn reasoning)
  • Pipeline: text-generation only (no vision encoder)

Usage

llama.cpp

# Basic generation
./llama-cli -m glm-4.7-flash-mxfp4_moe.gguf \
  -p "Hello, how are you?" \
  -n 256

# With thinking/reasoning controlled
./llama-cli -m glm-4.7-flash-mxfp4_moe.gguf \
  -p "Solve this step by step: 23 * 47" \
  -n 512 \
  -no-cnv

HuggingFace Hub

from huggingface_hub import hf_hub_download

model_path = hf_hub_download(
    repo_id="FreedomAISVR/GLM-4.7-Flash-MXFP4-MOE-GGUF",
    filename="glm-4.7-flash-mxfp4_moe.gguf",
    repo_type="model"
)

Pipeline Commands

Source: zai-org/GLM-4.7-Flash (58 GB, 48 safetensor shards)

  1. F16 GGUF Conversion:

    python convert_hf_to_gguf.py D:\AI_MODELS\glm-4.7-src --outfile glm-4.7-f16.gguf --outtype f16
    

    Output: 55.79 GB, 844 tensors (DeepSeek2 arch, Glm4MoeLiteModel)

  2. MXFP4 MOE Quantization:

    llama-quantize.exe glm-4.7-f16.gguf glm-4.7-flash-mxfp4_moe.gguf MXFP4_MOE
    

    Duration: ~310s on RTX 5060 Ti

Hardware

ComponentSpecification
GPUNVIDIA RTX 5060 Ti 16 GB (Blackwell)
System RAM64 GB
StorageD: (NVMe)

License

MIT — same as the original zai-org/GLM-4.7-Flash.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

llama.cpp

Можно запустить

Подбираем GPU…

Ревизия весов
bcd80be

0 моделей